从观测中学习构建世界理论

基于摘要分析。本文研究如何从原始非文本观测中学习显式的解释性世界理论，而不只以潜在空间或观测空间中的未来预测准确性定义理解。作者提出 Learning-to-Theorize 范式，并以 Neural Theorizer（NEO）这一 World Theory Model 实现该思路。 核心机制是将理论表示为可执行、可组合的潜在程序：NEO 归纳出作为习得 Language of Thought 的程序，并通过共享转移模型执行；程序中的习得基元可以重新组合，以解释新现象。其研究重点因此是生成观测的程序及其组合结构，而非仅输出预测。作者报告，实验支持这种表示实现解释驱动的泛化，但摘要未提供任务、数据集、监督形式、训练规模、基线或量化指标，尚不能判断其优势适用于哪些分布变化。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：如果 EEG 任务具有可重复、可组合的潜在事件结构，该机制或可用于探索跨条件的生成过程建模；可复用的是程序组合与共享转移模型的思路，观测编码及程序基元则需适配 EEG 的时空信号结构。低信噪比、跨被试差异、通道变化和小数据可能使基元对应噪声或个体特征，而非稳定机制。一个可证伪的小实验是在具有已知事件组合的模拟 EEG 上，保留部分组合作为测试条件，在相同划分下比较程序式模型与非程序预测模型的未见组合预测表现；这只能验证受控条件下的机制假设，不能证明真实 BCI 有效。已有 EEG 相关工作尚未检索确认。 摘要提供代码仓库线索，但代码内容、运行条件及结果复现情况尚未验证。